利用图神经网络探究定制化医疗决策算法
精准医学中使用机器学习技术，通过构建患者相似性图并应用图神经网络来预测复杂疾病中的重要特征，提高临床预测任务的性能。
Nov, 2023
临床人工智能中的图表示学习，特别是通过图神经网络 (GNN)，以其捕捉结构化临床数据中复杂关系的能力而脱颖而出。图人工智能通过将模态作为通过它们的关系相互连接的节点整体地处理数据，从而促进了模型在临床任务之间的转移，使模型能够在没有额外参数或最小重新训练的情况下推广到患者群体。然而，人类中心设计和模型解释能力在临床决策中的重要性不容忽视。由于图人工智能模型通过定义在图关系上的局部神经变换捕捉信息，它们在阐明模型的合理性方面既带来机遇又带来挑战。知识图谱可以通过将模型驱动的见解与医学知识相结合来增强解释性。新兴的图模型通过预训练整合多种数据模态，促进互动反馈循环，促进人工智能和人类的合作，为临床意义的预测铺平了道路。
Oct, 2023
本文提出了一个框架，将 AI 算法和数学建模相结合，以提供全面的生理条件视图，并展示了整体有机体概率模拟和分子数据驱动的临床模型集成的潜力，这有助于解决将多尺度计算模型与 AI 相结合的重要技术挑战，从而实现了医疗保健的数字孪生兄弟的目标。
Sep, 2020
本文系统地概述了图神经网络在医疗保健领域中的应用，包括功能连接、解剖结构和基于电信号的分析，并讨论现有技术的局限性和未来研究的方向。
May, 2021
构建更好、更智能的医疗基础设施是智慧城市的终极目标之一。为了克服临床数据的异构性和易受攻击的特点带来的挑战，我们提出了一个基于深度学习的临床决策支持系统，采用联邦学习范式进行训练和管理，以保证患者隐私的安全，并实现大规模的临床数据挖掘。同时，我们采用了序列到序列模型架构，融合了注意力机制，旨在提供个性化的临床决策支持系统，具有可进化的特性，能够提供准确的解决方案，协助医护人员进行医学诊断。
Jan, 2024
图神经网络是通过揭示基因和细胞之间的深层连接来重塑我们对生物医学和疾病的理解。本文总结了过去几年针对单细胞数据量身定制的图神经网络方法，并强调了以图注意力网络为中心的多样化图深度学习架构及其在单细胞数据上的几个目标，包括细胞类型注释、数据整合和插补、基因调控网络重建、聚类等。预计在生物医学领域中，随着不断产生的大规模组学数据和细胞与基因之间的相互关联性加强，图神经网络将成为单细胞分析工作的核心。
Oct, 2023
在本文中，我们调查了图神经网络中嵌入信息的流向如何影响知识图谱中链接的预测，并提出了一个将领域知识融入到图神经网络连接性中的数学模型。我们的结果表明，将领域知识融入到图神经网络连接性中比使用相同连接性或允许无限制的嵌入传播能够取得更好的性能。此外，我们还发现负边在预测中起着至关重要的作用，并且使用太多的图神经网络层可能会降低性能。
Sep, 2023
本文首次提出了病患超图网络（PHGN），并在感染舌咽癌（OPC）患者的计算机断层扫描（CT）辐射组学特征上进行了针对二分类和时间分析的研究，与图神经网络和基准线性模型进行了比较。
Oct, 2023
我们研究了基于图神经网络的医学图像分类的潜力。我们提出了一种将图神经网络与边缘卷积相结合的新模型，利用 RGB 通道特征值的相互连接来强烈表示关键图节点之间的联系。我们的模型在 MedMNIST 数据集的分类中表现出色，并与现有的深度神经网络相比，参数少 1000 倍，训练时间和数据需求减少。我们的结果鼓励进一步探索医学影像领域中的其他图神经网络模型。
Jul, 2023